溝通管理

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

工作小組

安排定期會議以追蹤進度，並釐清以下事項：

  • 釐清商業需求
  • 檢視機器學習模型「以及」商業產品
  • 推論 vs. 預測
  • 基準模型結果與更新規劃
  • 市場測試
  • 佈署到正式環境
Machine Learning for Business

商業需求

  1. 商業「情境」是什麼？
    • 「流失率開始上升」
  2. 商業「機會」是什麼，規模多大？
    • 「將流失率從 X% 降至 Y%」
  3. 我們將採取哪些商業「行動」？
    • 「執行挽留行銷，鎖定高風險客戶」
Machine Learning for Business

機器學習產品

  • 業務需要哪些 ML「產品」？

$$

  • 「範例 1」- 預測流失。業務需要：1）每季更新的流失驅動因子推論，2）每日將客戶分類為：已流失／高風險／無風險

$$

  • 「範例 2」- 詐欺預測。業務需要：1）對強力指標的推論，2）即時清單：極高風險交易供人工複查，中度風險交易請求更多資料
Machine Learning for Business

模型效能與改進

釐清可接受的模型錯誤範圍（記住：所有模型都有誤）：

  • 「分類」

    • 哪一類被誤判的成本更高？
    • 例：把詐欺誤判為非詐欺，通常比反過來更昂貴

  • 「迴歸」

    • 預測誤差可容忍多少？
    • 例：需求預測若誤差過大，公司可能採購過多庫存
Machine Learning for Business

市場測試

A/B 測試示意圖

Machine Learning for Business

模型上線（Production）

  • 測試結果是否持續帶來正向提升？
  • 模型是否足夠穩定？
  • 是否已有系統與工具可整合模型？
Machine Learning for Business

一起來練習吧！

Machine Learning for Business

Preparing Video For Download...